Machine learning models coupled with empirical mode decomposition for simulating monthly and yearly streamflows: a case study of three watersheds in Ontario, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents a novel approach for enhancing long-term runoff simulations through the integration of empirical mode decomposition (EMD) with four machine learning (ML) models: ensemble, support vector machine (SVM), convolutional neural networks (CNN), and artificial neural networks with backpropagation (ANN-BP). The proposed methodology uses EMD to decompose precipitation and temperature time-series into intrinsic mode functions, thereby revealing underlying data patterns. Subsequently, these components are incorporated into the ML models to simulate the runoff time-series. The effectiveness of the hybrid models is evaluated using streamflow runoff data obtained from the Grand, Winnipeg, and Moosonee Rivers in Ontario, Canada. Four widely used performance indices, namely, correlation coefficient, root mean square error (RMSE), mean absolute relative error, and Nash–Sutcliffe efficiency, are employed to assess the models’ performance. The results demonstrate that the hybrid EMD-ML models exhibit significantly superior performance compared with the standalone ML methods. During the validation phase, the EMD-Ensemble, EMD-SVM, EMD-CNN, and EMD-ANN-BP models exhibit notable reductions in the RMSEs of monthly streamflow estimates for the Grand River, amounting to 11%, 22%, 8%, and 33%, respectively, compared with their non-EMD counterparts. Additionally, these hybrid models exhibit improved RMSEs for yearly simulations in the Winnipeg River, with reductions of 54%, 0.08%, 6%, and 4.5% respectively. To further enhance the accuracy of monthly and yearly streamflow estimates, an SVM-recursive feature elimination technique is employed to select a more appropriate EMD dataset in all study cases. This research underscores the potential of integrating EMD with ML models to enhance long-term runoff simulations. The outcomes highlight the superior performance of the hybrid EMD-ML models, demonstrating their ability in generating lower biases than the standalone ML methods. These findings hold significant implications for the field of computational fluid mechanics and can contribute to the understanding of hydrological processes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle